Comment l’IA générative peut favoriser un apprentissage approfondi par la résonance cognitive

Comment l’IA générative peut-elle soutenir la construction cognitive approfondie ? Mécanismes et principes de conception de la résonance cognitive

Pian Yang¹ Yu Shengquan²

1. École d’enseignement des technologies de l’information, Institut d’éducation de Pékin

2. Centre d’innovation avancée pour l’éducation du futur, Université normale de Pékin

Résumé:L’intelligence artificielle génératrice s’intègre rapidement dans la pratique pédagogique, mais il reste à clarifier comment le soutien de l’intelligence externe se transforme en développement cognitif profond chez les apprenants. Face aux difficultés actuelles liées aux applications éducatives de GenAI, qui entraînent souvent une « dette cognitive » et se limitent souvent à l’utilisation de outils superficiels, la recherche commence par définir le contenu de la construction cognitive profonde, en identifiant quatre besoins cognitifs fondamentaux progressifs : la relationnalité des connaissances et la restructuration de la structure, l’externalisation cognitive et la construction de l’expression, la surveillance réflexive et la régulation de la métacognition, ainsi que la transférence cognitive et la collaboration sociale. Sur cette base, le concept de résonance cognitive est proposé comme cadre d’analyse systématique, permettant d’expliquer les principes internes sous-jacents à l’appui de la construction cognitive profonde par GenAI à trois niveaux : conditions, processus et résultats. Il est établi que l’alignement structurel, l’alignement interactif, l’alignement des objectifs et l’alignement contextuel sont des conditions préalables à la résonance cognitive. De plus, les mécanismes de soutien à la construction cognitive profonde – réorganisation des probabilités, interaction dialogique, illusion de contenu et rôles multiples – sont analysés en détail. En conséquence, quatre principes pédagogiques sont proposés : un design de situation orienté par des associations multiples, un design de dialogue orienté par l’externalisation du processus, un design de tâches orienté par la vérification critique et un design de rôles orienté par la transférence collaborative. L’étude vise à fournir une perspective d’analyse plus intégrée pour comprendre les mécanismes internes de l’appui de GenAI à la construction cognitive profonde, et à offrir également des références design pour favoriser le passage de l’utilisation fonctionnelle de GenAI comme outil de réponse à un appui constructif pour la croissance de la pensée.

Mots-clés:Intelligence artificielle génératrice ; résonance cognitive ; construction cognitive profonde ; collaboration homme-machine ; enseignement design

I. Problème soulevé

L’intelligence artificielle génératrice (generative AI, GenAI), en tant que force technologique importante de cette nouvelle vague de réforme éducative, s’implante rapidement dans divers contextes éducatifs tels que l’enseignement et la conception pédagogique (Feng Xiaoying et al., 2025), l’interaction en classe (Wan Kun et al., 2025) et les évaluations et retours (Luo Heng et al., 2024), devenant ainsi un facteur nouveau qui stimule l’éducation intelligente et les pratiques de apprentissage profond. De nombreuses études et expériences montrent que GenAI possède des capacités d’intégration de informations multimodales, de génération de langage adapté au contexte et d’interaction dialogique (Lei Hao et al., 2025), offrant ainsi de larges possibilités pour que les apprenants construisent des connaissances complexes et mènent des activités de pensée avancée. Sous l’impulsion de cette vague technologique, le besoin d’apprentissage profond dans le monde de l’éducation s’accroît également. En revanche, il est frappant de noter que la plupart des applications réelles de GenAI restent encore dans des formes superficielles, comme fournir rapidement des réponses ou écrire des textes automatiquement (Yang Nanchang et al., 2025), sans pouvoir soutenir efficacement le processus de construction cognitive profonde des apprenants.

Pour les apprenants, l’utilisation de contenu créé par l’intelligence artificielle ne équivaut pas à une véritable compréhension et utilisation de ces contenus. Des études ont montré que lorsque les apprenants comptent fréquemment sur les réponses directes de GenAI et participent moins à l’analyse et à la réflexion sur les problèmes, ils peuvent obtenir des résultats apparemment complets à court terme. Cependant, en l’absence de soutien technique et lorsqu’ils doivent transférer et appliquer les connaissances de manière indépendante, ils rencontrent souvent des problèmes de faible compréhension et de difficultés dans la transférabilité, ce qui peut être décrit comme un phénomène de “dette cognitive cumulée” (Kosmyna et al., 2025). En réalité, l’essence de l’apprentissage ne dépend pas du volume total de technologies fournies pour déterminer l’efficacité de l’acquisition de connaissances par les apprenants, mais plutôt de la manière dont les technologies s’accordent avec l’expérience existante, la structure de connaissances et les besoins cognitifs des apprenants, afin de créer un système cognitif efficace. Sur cette base, cet article aborde la question centrale de “comment l’intelligence artificielle génératrice soutient la construction cognitive profonde”, en répondant en particulier à trois questions interdépendantes : premièrement, quelles exigences cognitives sont posées par la construction cognitive profonde ; deuxièmement, par quels mécanismes GenAI peut intervenir et jouer un rôle ; troisièmement, comment les enseignants peuvent réorganiser leur conception pédagogique pour faire passer l’utilisation de GenAI dans l’éducation d’une utilisation fonctionnelle vers un soutien constructif à la croissance de la pensée.

II. Les besoins fondamentaux de la construction cognitive profonde

S’appuyant sur le contexte d’une accélération de l’itération des connaissances et d’une augmentation continue de la complexité des problèmes, les tâches cognitives auxquelles sont confrontés les apprenants évoluent : ils doivent non seulement comprendre les connaissances, mais aussi identifier les informations pertinentes dans des sources multiples, ajuster leurs stratégies cognitives dans des tâches complexes, et appliquer les connaissances dans des situations réelles. Dans ce contexte, l’attention des recherches en sciences cognitives et d’apprentissage se déplace progressivement de l’acquisition des connaissances vers la capacité des apprenants à former une structure cognitive profonde stable et transférable. La construction cognitive profonde est une extension complète de concepts tels que la construction cognitive, l’apprentissage profond et la construction des connaissances, dans le cadre de cette conscience de la problématique. Du point de vue théorique, la construction cognitive met l’accent sur le fait que les apprenants réorganisent activement leurs schémas existants pour générer de nouvelles structures cognitives (Piaget, 1964), l’apprentissage profond se concentre sur la pensée de haut niveau, la compréhension profonde et l’orientation vers l’application transférable (Guo Hua, 2016), tandis que la construction des connaissances intègre davantage la négociation de sens et l’interaction sociale dans les mécanismes centraux du développement cognitif (Zhao Jianhua, 2007). Ces trois concepts ont chacun une orientation particulière, mais ils pointent tous vers une conclusion fondamentale : l’apprentissage véritablement significatif est un processus dynamique où les apprenants réorganisent activement leur structure cognitive dans une interaction continue avec le monde extérieur. Sur cette base, la théorie de l’apprentissage multimédia de Mayer apporte une complémentarité mécanique à cette conclusion du point de vue de la transformation cognitive, avec ses hypothèses fondamentales sur le traitement binaural, la capacité cognitive limitée et le traitement actif, qui révèlent le parcours cognitif des apprenants entre l’entrée d’informations externes et la construction interne de sens, offrant des pistes importantes pour comprendre l’interaction de médias multiples, la régulation de la charge cognitive et la génération active de sens dans un environnement d’intelligence artificielle génératrice (Mayer, 2024).

Sur la base de cette compréhension, ce texte définit la « construction cognitive profonde » comme le processus par lequel l’apprenant, sur la base de sa cognition existante, choisit activement, organise et intègre des flux d’informations multidimensionnels, entraînant une adaptation dynamique des schémas cognitifs existants et une réorganisation systémique, et, dans le cadre d’une participation continue à l’interaction sociale, formant une structure cognitive capable d’être utilisée dans différents contextes. En termes de caractéristiques internes, la construction cognitive profonde se manifeste par une approfondissement continu de la structure cognitive et des modes de traitement cognitif, ce qui peut être analysé dans quatre dimensions : structure, expression, régulation et transfert, comme le montre le tableau 1.

Tableau 1 : Dimensions de la compréhension de la construction cognitive profonde et relations avec les théories existantes

Les quatre dimensions mentionnées ci-dessus définissent les tâches cognitives clés nécessaires à la construction profonde de la cognition, à savoir l’organisation systématique de la structure cognitive, l’externalisation procédurale, le traitement métacognitif et la transférence entre contextes. Sur cette base, cet article propose que la construction profonde de la cognition ait quatre besoins fondamentaux, et présente logiquement une relation progressive entre eux.

1. Point de départ de la construction cognitive profonde : associations de connaissances et réorganisation structurelle

La construction profonde de la cognition commence par le traitement cognitif interne de l’apprenant, qui se manifeste par le fait que l’apprenant utilise des informations externes pour ajuster activement sa structure cognitive existante. Cela exige que l’apprenant dépasse la simple réception d’informations, et que, par des activités mentales telles que la structuration des concepts et l’analyse des causes et effets, il intègre les connaissances anciennes et nouvelles, construisant ainsi un schéma cognitif cohérent (Bruner, 1961). L’effet des associations de connaissances et de la réorganisation structurelle consiste à aider l’apprenant à établir des représentations psychologiques internes stables, offrant ainsi une base structurée pour les traitements cognitifs ultérieurs.

2. Mécanisme de médiation de la construction cognitive profonde : externalisation cognitive et construction expressive

Après que la structure cognitive interne de l’individu se forme initialement, l’apprenant doit dépasser les limites entre la cognition implicite et l’expression externe, et utiliser des mécanismes intermédiaires pour rendre la cognition visible. Cela exige que l’apprenant, à l’aide du langage, des symboles ou des outils visuels, transforme les structures cognitives invisibles dans le cerveau en résultats symboliques observables et communicables (Vygotsky, 1978). L’effet de l’externalisation cognitive et de la construction expressive se manifeste dans deux dimensions : au niveau individuel, le processus d’expression permet de révéler efficacement les points cachés et les contradictions de la structure cognitive, ce qui stimule la réflexion personnelle et les corrections internes de l’apprenant ; dans l’environnement extérieur, les résultats exprimés offrent un support pour les évaluations des autres et pour la collaboration au sein du groupe, favorisant ainsi l’optimisation de la structure cognitive dans un cycle fermé de expression, retour de feedback et expression répétée.

3. Mécanismes de motivation de la construction cognitive profonde : réflexion et surveillance, et régulation de la métacognition

Pour s’assurer que les processus d’internalisation et d’externalisation ne s’écartent pas de leur trajectoire, le système cognitif a besoin de mécanismes motrices appropriés pour assurer une orientation en temps réel et un contrôle de la qualité. La surveillance réflexive et la régulation métacognitive constituent ces mécanismes motrices ; leur essence réside dans la conscience et la régulation du processus de construction cognitive profonde (Chi et al., 2014 ; Flavell, 1979). La surveillance réflexive et la régulation métacognitive permettent aux apprenants de réaliser des évaluations continues et des ajustements dynamiques en fonction de la réussite des objectifs et de l’efficacité des stratégies tout au long du processus de construction cognitive profonde (Yin Xinghan et al., 2025), permettant ainsi une transformation du rôle d’exécuteur passif de tâches en superviseur autonome. Des études antérieures ont également montré que les apprenants dotés d’une forte capacité métacognitive conservent plus facilement la sensibilité aux objectifs et la flexibilité des stratégies, ce qui leur permet d’atteindre un niveau plus élevé d’efficacité dans la construction cognitive (ElSayad, 2024).

4. Un moyen important de construction cognitive profonde : la transférence cognitive et la coopération sociale

Les résultats de la construction cognitive profonde doivent finalement être appliqués dans différentes situations. Pour assurer une applicabilité entre les situations, les apprenants doivent utiliser des pratiques réelles comme support, et transférer et perfectionner les structures cognitives dans une collaboration sociale, transformant ainsi les résultats de la construction en compétences pratiques pour résoudre divers problèmes réels. L’effet de la transférence cognitive et de la collaboration sociale est que cela soutient le fonctionnement coordonné des mécanismes clés tels que la réorganisation des structures cognitives, leur externalisation et la régulation métacognitive, et crée également un pont entre la formation des résultats cognitifs et leur mise en œuvre, devenant ainsi un moyen important pour réaliser la construction cognitive profonde.

III. Résonance cognitive : les principes fondamentaux de GenAI qui soutiennent la construction cognitive profonde

L’intelligence artificielle génératrice est en train de réformer les relations entre les apprenants et le savoir, les outils et les contextes, créant de nouvelles conditions techniques pour la construction profonde de la cognition. Cependant, l’intervention technologique ne conduit pas nécessairement à une approfondissement cognitif. Du point de vue central des recherches, les études actuelles sur l’appui de l’intelligence artificielle génératrice à l’apprentissage peuvent être résumées en trois orientations : premièrement, l’orientation de l’offre, qui se base sur les multiples caractéristiques des outils de l’intelligence artificielle génératrice et se concentre sur les conditions favorables à l’apprentissage (Shan Junhao et al., 2024 ; Lu Yu et al., 2025 ; Su Rui, 2025) ; deuxièmement, l’orientation des supports, qui se concentre sur les fonctions d’appui pédagogique de l’intelligence artificielle génératrice et sur les processus spécifiques de promotion de l’apprentissage (Wang Siyaoyao et al., 2024 ; Zhao Xiaowei et al., 2025) ; troisièmement, l’orientation du renforcement, qui se base sur les effets de développement de l’apprentissage de l’intelligence artificielle génératrice et se concentre sur les résultats obtenus grâce à l’apprentissage (Shi Lan et al., 2026 ; Tang Qianwen et al., 2026). Ces trois orientations offrent chacune une explication différente concernant « ce que la technologie fournit », « comment la technologie intervient dans l’apprentissage » et « quels résultats cette intervention technologique engendre ». Cependant, dans la pratique de l’enseignement, si l’une de ces orientations est exagérée, il est facile de faire correspondre l’offre de ressources directement à l’occurrence réelle du comportement d’apprentissage, de considérer les supports externes comme une condition suffisante pour la construction interne, ou de faire correspondre la vision au niveau des résultats directement au mécanisme de l’action au niveau du processus. Cela conduit à une compréhension partiale de l’appui de l’intelligence artificielle génératrice à la construction profonde de la cognition. Par conséquent, il est nécessaire d’établir une perspective analytique plus intégrée, qui relie conditions, processus et résultats, et explique de manière systémique comment les soutiens intelligents externes s’adaptent efficacement au système cognitif interne des apprenants, et comment, dans l’interaction continue entre les deux, des résultats de renforcement cognitif observables se développent progressivement.

(1) Introduction du concept de résonance cognitive

Sur la base de l’analyse ci-dessus, cet article introduit le concept de « résonance cognitive » et, depuis une perspective globale couvrant les conditions, les processus et les résultats, explique comment l’intelligence artificielle génératrice soutient la construction cognitive profonde des apprenants. La résonance est initialement utilisée pour décrire le phénomène d’augmentation de l’énergie qui se produit lorsque les systèmes physiques différents ont des fréquences, des structures et des rythmes similaires (Jothimurugan et al., 2016). Cette logique centrale de « synchronisation, interaction et synergie » a été intégrée dans la recherche en sciences cognitives : les études neuroscientifiques actuelles montrent que la synchronisation des activités neuronales constitue une base physiologique importante pour la transformation de l’information et la construction de la mémoire (Jutras et al., 2010). En ce qui concerne la structure interne de la résonance, elle comprend en réalité trois processus continus interconnectés : l’adaptation, la couplage et l’augmentation. L’adaptation est la condition préalable à la résonance, le couplage reflète le processus spécifique d’interaction continue entre les systèmes, tandis que l’augmentation se manifeste par un effet global plus important après la résonance que la simple somme des effets individuels des deux systèmes. Ainsi, l’introduction du concept de résonance dans le domaine de la recherche en éducation permet d’intégrer dans un même cadre d’analyse les conditions, les processus et les résultats liés au soutien de l’intelligence artificielle génératrice pour la construction cognitive profonde.

Le terme « résonance cognitive » mentionné dans cet article désigne un état de alignement cognitif entre le système intelligent et le système cognitif de l’apprenant, qui se produit lorsque l’apprenant mène des activités d’apprentissage grâce à l’intelligence artificielle génératrice. Dans le cadre d’une interaction continue entre humain et machine, divers mécanismes de fonctionnement s’activent ensemble, permettant ainsi une amélioration cognitive. Dans ce contexte, les systèmes technologiques deviennent un soutien important pour élargir les limites des capacités de l’apprenant, aidant celui-ci à surmonter les contraintes inhérentes telles que les ressources cognitives individuelles, la portée de l’expérience et la vitesse de traitement de l’information, afin de produire un effet d’amélioration « 1+1 > 2 » dans le processus de construction cognitive profonde. La valeur centrale proposée par la résonance cognitive réside dans l’intégration de l’approche orientée vers l’offre, l’approche orientée vers les supports et l’approche orientée vers l’amélioration dans un même concept, ce qui permet d’améliorer la capacité d’explication globale du mécanisme interne de l’intelligence artificielle génératrice qui favorise la construction cognitive profonde.

(2) Les caractéristiques fondamentales de la résonance cognitive

La nature de la résonance cognitive comprend trois niveaux interconnectés : les conditions de mise en adéquation préalable, le processus de collaboration, et les résultats d’amélioration cognitive, comme illustré dans la figure 1.

Figure 1 : Le contenu de “condition—processus—résultat” de la résonance cognitive

1. Conditions de mise en correspondance préalables

Les conditions de mise en adéquation préalables sont les prérequis pour que se produise la résonance cognitive. En fonction des quatre besoins fondamentaux de la construction cognitive profonde, les systèmes technologiques doivent s’aligner avec le système cognitif de l’apprenant dans quatre domaines : premièrement, l’alignement structurel, c’est-à-dire que la manière dont les connaissances sont organisées dans le système technologique doit correspondre aux schémas existants dans le système cognitif de l’apprenant, afin que les informations externes soient présentées de manière plus conforme aux règles de traitement cognitif de l’apprenant ; deuxièmement, l’alignement interactif, c’est-à-dire que la manière d’interaction des informations dans le système technologique doit correspondre aux habitudes de expression cognitive de l’apprenant, permettant ainsi à l’apprenant de maintenir une interaction continue homme-machine à travers des expressions multimodales ; troisièmement, l’alignement des objectifs, c’est-à-dire que la position fonctionnelle du système technologique doit correspondre aux objectifs de développement cognitif de l’apprenant, de sorte que l’utilisation de la technologie serve non seulement la réalisation des tâches immédiates, mais aussi la compréhension profonde et le développement à long terme (Wiener, 1960) ; quatrièmement, l’alignement des contextes, rôles et relations sociales créés par le système technologique doivent correspondre au domaine réel de résolution de problèmes que l’apprenant rencontre, permettant ainsi que les activités d’apprentissage soient intégrées dans un contexte plus proche de la pratique réelle. Ces quatre types d’alignement constituent ensemble les prérequis pour que se produise la résonance cognitive, déterminant si le soutien intelligent externe peut entrer efficacement dans le traitement cognitif profond de l’apprenant.

La capacité de l’intelligence artificielle génératrice à satisfaire les conditions préalables d’alignement résulte de quatre caractéristiques techniques suivantes : premièrement, l’intelligence artificielle génératrice, grâce à sa structure de réseau de neurones et à son mécanisme de représentation distribuée, effectue une correspondance multiple entre le langage, les connaissances et les relations logiques. Des études ont montré qu’il existe une certaine similitude entre les modèles de langage de grande taille et les signaux de l’activité cérébrale liés au traitement du langage humain, et que l’augmentation de la taille du modèle et de la quantité de données d’entraînement peut améliorer la similarité entre le modèle et l’activité cérébrale (Gao et al., 2025 ; Ren et al., 2025). Cette relation de correspondance constitue donc une base pour l’alignement structurel. Deuxièmement, l’intelligence artificielle génératrice possède la capacité d’interaction multimodale, permettant de comprendre les intentions de l’apprenant au cours de plusieurs interactions, ce qui réduit les obstacles à l’expression et à l’entrée dans l’interaction (Li et al., 2024), fournissant ainsi des conditions pour l’alignement interactionnel. Troisièmement, l’intelligence artificielle génératrice utilise les dialogues en langage naturel comme interface de consultation entre machine et humain ; l’apprenant peut intégrer des objectifs à court terme et des objectifs à long terme dans le processus d’interaction via des prompts, et la clarté structurelle ainsi que la direction sémantique des prompts influencent la qualité du contenu généré et l’accent mis sur les objectifs (Afshar et al., 2024 ; Jacobsen et al., 2025). Ce mécanisme de régulation de l’interaction fournit donc une interface pour l’alignement des objectifs. Enfin, l’intelligence artificielle génératrice possède la capacité de simulation de rôles et de collaboration entre agents intelligents, permettant de créer un environnement collaboratif diversifié autour du contexte de la tâche, soutenant ainsi l’alignement du contexte.

2. Processus d’interaction synaptique

Le processus d’interaction synergique constitue un médiateur entre les conditions de synchronisation préalables et les résultats d’amélioration cognitive. La résonance cognitive, en tant que interaction continue entre la technologie et l’humain, s’appuie principalement sur les quatre mécanismes de collaboration homme-machine suivants pour fournir un soutien processuel à la construction cognitive profonde.

Premièrement, le mécanisme « Machine : libération des ressources cognitives – Personne : intégration de la structure de connaissances ». Sur la base de l’alignement structurel, l’intelligence artificielle génératrice transforme les informations dispersées en une présentation hiérarchique et connectée, ce qui aide les apprenants à libérer leurs ressources cognitives dans l’interaction avec des informations fragmentées, réduisant ainsi efficacement la charge cognitive lorsqu’ils sont confrontés à des informations désordonnées (Yú Shèngquán et al., 2023). En même temps, en comparant et en analysant les similitudes et les différences entre les concepts anciens et nouveaux, les apprenants assimilent ou adaptent les informations nouvellement acquises à leur propre structure cognitive.

Deuxièmement, le mécanisme « Machine : manifestation du processus cognitif – Humain : externalisation du processus de pensée ». Sur la base de l’alignement interactif, l’intelligence artificielle génératrice, par des interactions continues entre humain et machine, guide progressivement l’apprenant à externaliser la structure cognitive implicite ; l’apprenant, en réponse, externalise continuellement son processus de pensée, permettant ainsi de clarifier et de structurer sa propre structure cognitive.

Troisièmement, le mécanisme « Machine : focus sur la direction de la cognition – Personne : optimisation des voies de construction ». Sur la base de l’alignement des objectifs, l’intelligence artificielle génératrice, en intégrant des supports de métacognition, indique ou réaffirme continuellement aux apprenants les objectifs et points clés de l’apprentissage, les aidant à se concentrer sur la direction de la construction cognitive profonde ; les apprenants, avec le soutien de la métacognition, identifient et corrigent les écarts, permettant ainsi une réflexion continue et une optimisation des voies de construction cognitive.

Quatrièmement, le mécanisme « Machine : élargissement des frontières cognitives – Personne : migration de la coopération sociale ». Sur la base de l’alignement des contextes, l’intelligence artificielle génératrice, en simulant diverses situations sociales et rôles, élargit les domaines cognitifs complexes que l’expérience individuelle de l’apprenant ne peut couvrir ; l’apprenant, par la négociation de perspectives diverses et la résolution collaborative de problèmes, teste et adapte sa structure cognitive à différents contextes, aboutissant finalement à la transfert des résultats de la construction cognitive profonde.

3. Résultats de l’amélioration cognitive

Les résultats de l’amélioration cognitive sont des effets de résonance cognitive, qui se manifestent par une synergie efficace entre les systèmes intelligents externes et le système cognitif de l’apprenant, produisant un effet “1+1>2”. Ce phénomène comprend quatre niveaux successifs : premièrement, une amélioration significative de l’investissement cognitif, ce qui permet à l’apprenant de mobiliser rapidement la structure cognitive interne liée aux informations externes, et de s’engager efficacement dans des activités cognitives ayant un sens constructif. Deuxièmement, une activation spontanée de la régulation cognitive, ce qui permet à l’apprenant de reconnaître activement ses propres biais cognitifs dans des expressions, des comparaisons et des clarifications continues, entraînant ainsi un ajustement de la structure cognitive. Troisièmement, une progression multidimensionnelle de la construction cognitive, ce qui permet à l’apprenant de se concentrer progressivement sur l’essence des problèmes sous l’égide de la métacognition, favorisant ainsi le passage d’une structure cognitive désordonnée à une structure plus complète. Quatrièmement, une génération sociale de transfert cognitif, ce qui signifie que la structure cognitive de l’apprenant, après une construction continue, devient stable et disponible, et est testée et développée dans divers contextes et interactions variées.

4. Pourquoi la reconnaissance de la résonance : Mécanisme d’action de GenAI dans la construction de la connaissance profonde

Pour transformer la soutenance de la construction cognitive profonde par GenAI en processus d’enseignement et d’apprentissage compréhensibles et opérationnels, il est nécessaire de revenir à la situation d’enseignement et d’analyser comment l’intelligence artificielle génératrice stimule, dans des tâches d’apprentissage spécifiques, la relation des connaissances, la construction de l’expression, la surveillance réflexive et la collaboration sociale chez les apprenants. À cette fin, cet article part des quatre besoins fondamentaux de la construction cognitive profonde pour expliquer plus en détail comment GenAI réalise la résonance cognitive par la recomposition probabiliste, l’interaction dialogique, les illusions de contenu et les différents rôles, comme le montre la figure 2.

Figure 2 Mécanisme par lequel GenAI soutient la construction cognitive profonde

(1) En utilisant la réorganisation des probabilités, générer des associations de connaissances diversifiées

Les propriétés de recomposition de probabilités de l’intelligence artificielle génératrice offrent des conditions permettant d’activer les schémas existants des apprenants et d’améliorer l’engagement cognitif. D’une part, le modèle apprend, à partir de corpus massifs, les relations de probabilité entre mots, sens et textes, et acquiert ainsi les modèles et règles structurelles de la représentation de la connaissance humaine, ce qui rend le contenu généré plus lisible sur le plan formel et permet une connexion fondamentale avec la structure cognitive existante de l’apprenant. D’autre part, le modèle prédit dynamiquement les éléments suivants dans la distribution de probabilités conditionnelles, permettant que le même objet de connaissances soit réorganisé selon différentes perspectives d’interprétation et voies de raisonnement, ce qui confère au contenu généré une certaine originalité dans le fond et apporte une différence et un stimulus modérés à la structure cognitive existante. Ces deux effets combinés permettent à l’apprenant de faire face à une tension cognitive dans un cadre compréhensible, ce qui conduit à transformer les ressources cognitives de l’assimilation en traitement discriminatif, améliorant ainsi le niveau d’engagement cognitif. Sous l’effet de l’activation cognitive, l’apprenant montre une amélioration cognitive dans deux domaines : premièrement, les liens conceptuels, c’est-à-dire l’association entre le contenu généré par GenAI et sa propre structure cognitive ; deuxièmement, la comparaison de similitudes et de différences, c’est-à-dire la discrimination entre les similitudes et les différences entre la connaissance ancienne et la nouvelle, ce qui approfondit la compréhension des relations entre les connaissances.

Le mécanisme d’activation cognitive mentionné se manifeste dans les situations d’apprentissage concrètes par le fait que l’enseignant utilise les propriétés de réorganisation probabiliste pour générer des représentations de connaissances et des voies d’interprétation diversifiées, ce qui permet aux apprenants de établir des liens entre le nouveau et l’ancien savoir, de distinguer les similitudes et les différences, et de développer une compréhension plus structurée. Prenons l’exemple de l’apprentissage des mathématiques : l’enseignant utilise l’IA générative pour produire des propositions de théorèmes géométriques qui diffèrent de la formulation du manuel. Comme le modèle a appris les caractéristiques stylistiques du texte mathématique, le contenu généré est formellement « comme un théorème », ce qui permet de lier avec l’expérience des apprenants concernant les théorèmes existants ; en même temps, les propriétés de réorganisation probabiliste du modèle font que ces propositions présentent des points discutables quant à leur vérité, créant ainsi une tension cognitive. Face à ces problèmes inconnus, les apprenants doivent investir leurs ressources cognitives dans une transformation substantielle, en analysant en combinaison avec leurs connaissances existantes si ces problèmes peuvent être déduits à partir de théorèmes connus, s’il existe des contre-exemples, et quelles sont les similitudes et les différences par rapport à la formulation du manuel. Dans ce processus, les apprenants ne se contentent plus de mémoriser le contenu du manuel, mais développent progressivement des règles générales pour construire des théorèmes, et acquièrent ainsi une capacité à synthétiser des stratégies pour résoudre des problèmes dans des situations inédites exigées par les examens de fin d’études et les examens de fin de cycle.

(2) Utiliser l’interaction dialogique pour créer un canal de manifestation de la continuité

Les caractéristiques d’interaction de dialogue de l’intelligence artificielle génératrice offrent des conditions pour exprimer la cognition implicite des apprenants et initier la régulation cognitive. D’une part, le modèle permet une interaction d’informations multimodale, telles que texte, voix et images, ce qui abaisse le seuil d’expression cognitive des apprenants, permettant ainsi que la cognition implicite devienne une représentation extérieure perceptible et opérante ; d’autre part, le modèle peut combiner le contexte pour comprendre continuellement les entrées des apprenants et fournir des réponses immédiates, permettant ainsi une régulation cognitive multi-cycles plutôt que une expression unique. Ces deux effets combinés permettent aux apprenants de transformer progressivement la cognition implicite floue en expressions extérieures claires dans un dialogue facile à participer et durable, offrant ainsi un support objectif pour la régulation cognitive. Sous l’effet de cette expression cognitive, les apprenants montrent une amélioration cognitive dans deux domaines : d’une part, une expression continue, c’est-à-dire que, en fonction des réponses du GenAI, ils complètent, corrigent et améliorent leur expression, participant activement à la construction cognitive profonde ; d’autre part, une clarification du sens, c’est-à-dire que, en comparant leurs intentions avec les réponses du modèle, ils identifient et ajustent les omissions, contradictions ou ambiguïtés dans leurs expressions initiales.

Le mécanisme d’externalisation de la cognition mentionné ci-dessus se manifeste dans les situations d’apprentissage concrètes par le fait que l’enseignant crée, grâce aux caractéristiques de l’interaction dialogique, des voies d’expression et de retour d’information continues, permettant ainsi aux apprenants de transformer la compréhension implicite en représentations externes, afin de corriger et clarifier leur propre cognition. Prenons l’exemple de l’apprentissage de l’histoire : l’enseignant guide les apprenants à collaborer avec une GenAI pour générer des images représentant le quotidien d’une période historique donnée. Les apprenants doivent d’abord organiser des instructions autour des éléments tels que le style architectural, les activités des personnages, les styles de vêtements, etc., afin de transformer la connaissance historique interne en expression externe claire, accomplissant ainsi une première externalisation cognitive. Une fois l’image générée par le modèle sur la base des instructions, le produit d’externalisation se transforme d’un mode de communication unique en informations binaires, combinant texte et image. À ce stade, les apprenants doivent comparer l’image avec leur intention originale, identifier les points où l’image ne correspond pas à leur expression ou révèle des zones de confusion cognitive, et améliorer continuellement le résultat généré en modifiant les instructions. Ce processus répétitif permet à la cognition implicite des apprenants de s’exprimer progressivement, et développe leur capacité à distinguer les faits historiques dans la clarification du sens. En même temps, l’enseignant peut également revenir sur le parcours d’interaction homme-machine, identifier les moments clés où les apprenants présentent des erreurs cognitives ou une expression floue, et mettre en œuvre des interventions pédagogiques ciblées.

(3) Basé sur les illusions de contenu, offrant des opportunités de réflexion profonde

Les caractéristiques de l’illusion de contenu de l’intelligence artificielle génératrice offrent des conditions pour approfondir la surveillance métacognitive des apprenants et promouvoir la construction cognitive. D’une part, les modèles sont influencés par des facteurs tels que les mécanismes d’échantillonnage, les biais dans les données d’entraînement et les erreurs dans la compréhension du contexte, ce qui peut entraîner la production d’informations fictives, partiales ou même inexactes. Cela rend les résultats du modèle naturellement incertains, et les apprenants ne peuvent pas accepter directement le contenu généré. D’autre part, cette incertitude brise le modèle d’émission unidirectionnelle de réponses officielles dans l’enseignement traditionnel, transformant les contenus de connaissances fermés et stables en objets de discussion ouvert et discutables, laissant ainsi de l’espace pour la réflexion critique. Ces deux effets combinés permettent aux apprenants, face à un contenu généré qui semble raisonnable mais peut ne pas être fiable, de passer d’une acceptation passive à une analyse active, et d’améliorer continuellement leur structure cognitive sous surveillance métacognitive. Sous l’effet de la métacognition, les apprenants peuvent montrer une amélioration cognitive dans deux domaines : premièrement, la reconnaissance des biais, c’est-à-dire l’évaluation active de la rationalité et de la fiabilité du contenu généré, en identifiant les erreurs factuelles, les lacunes logiques et les écarts de valeur en fonction de leur propre structure de connaissances ; deuxièmement, l’ajustement des stratégies, c’est-à-dire la correction de leur propre parcours cognitif sur la base de la reconnaissance des problèmes, afin d’optimiser constamment les résultats de la construction cognitive.

Les mécanismes de surveillance métacognitive mentionnés ci-dessus se manifestent dans des contextes d’apprentissage spécifiques : l’enseignant considère les contenus générés, qui sont incertains, comme des objets cognitifs susceptibles d’être questionnés et vérifiés, ce qui encourage les apprenants à développer une pensée critique et une surveillance métacognitive dans le contact avec les informations incertaines. Par exemple, dans l’enseignement de la rédaction, l’enseignant peut concevoir une tâche en deux phases assistée par GenAI : en première phase, l’apprenant rédige d’abord une première version de son essai de manière indépendante, puis effectue une auto-diagnostication à l’aide d’une “carte auto-évaluation de rédaction”, avant d’introduire cette première version et la auto-diagnostication dans GenAI pour obtenir des suggestions de correction ; en deuxième phase, l’apprenant modifie le texte en tenant compte des suggestions de GenAI, en notant en même temps l’adoption ou l’abandon des suggestions ainsi que les raisons correspondantes, et identifie également des moments clés de l’interaction homme-machine, comme par exemple comment, en ajustant les instructions, on obtient une expression argumentative plus forte, ou comment on reconnaît et corrige les exemples inappropriés fournis par le modèle. Dans ce cycle itératif “génération – analyse – correction”, l’apprenant peut surveiller globalement tout le processus de rédaction, évaluer la qualité des résultats du modèle tout en perfectionnant son propre texte, permettant ainsi que les opportunités de réflexion générées par l’illusion de contenu soient transformées en actions concrètes de construction cognitive.

(4) Simuler des rôles multiples, créer une expérience de collaboration contextuelle

Les caractéristiques de collaboration entre plusieurs agents dans l’intelligence artificielle génératrice offrent des conditions favorables pour favoriser le transfert de connaissances par les apprenants et le développement des compétences de collaboration sociale. D’une part, les systèmes multi-agents peuvent configurer plusieurs rôles de modèles ayant des fonctions différentes dans le même contexte de tâche, simulant une division des perspectives hétérogènes, permettant aux apprenants de dépasser les limites d’un seul processus de traitement cognitif par comparaison et intégration de différentes perspectives ; d’autre part, les systèmes multi-agents peuvent organiser la collaboration entre rôles complémentaires selon des règles unifiées de tâche, créant des scénarios collaboratifs similaires à une société, permettant aux apprenants de vivre dans des processus de traitement cognitif social, tels que la coordination des informations, la coordination des rôles et l’attribution des responsabilités, dans des tâches complexes. Ces deux effets combinés permettent aux apprenants de tester, de corriger et de réorganiser constamment leur structure cognitive dans l’interaction entre différentes perspectives et rôles divers, promouvant ainsi la construction cognitive passant du niveau individuel au niveau social. Sous l’effet de la collaboration entre plusieurs rôles, les apprenants peuvent montrer une amélioration cognitive dans deux domaines : d’une part, l’intégration systémique, c’est-à-dire la sélection, la relation et l’unification des informations issues de différents rôles de agents, afin de réorganiser leur cadre d’analyse par comparaison ; d’autre part, la coopération et la construction conjointe, c’est-à-dire la compréhension de la position fonctionnelle et de la logique de production de chaque rôle, l’absorption raisonnable et la liaison des produits efficaces de chaque rôle, développant ainsi les capacités organisationnelles et la conscience de la coopération dans le processus de réalisation coordonnée des tâches.

Les mécanismes de construction sociale mentionnés se manifestent dans les contextes d’apprentissage spécifiques par le fait que l’enseignant utilise plusieurs entités intelligentes pour créer des perspectives hétérogènes et des divisions de travail, permettant aux apprenants de intégrer, transférer et développer les résultats de leur construction cognitive dans une collaboration sociale. Par exemple, dans l’enseignement de « l’interprétation multidimensionnelle de l’impact de la mondialisation en politique au lycée », l’enseignant peut concevoir des tâches d’intégration de points de vue, guidant les apprenants à dialoguer avec des entités intelligentes ayant des points de vue différents – perspective économique, culturelle, écologique – sur la question de savoir si la mondialisation est bénéfique ou non. Ils identifient les points de départ logiques et les voies de balancement de valeurs de chaque argumentation, et réorganisent ainsi le cadre d’analyse pour produire des arguments plus profonds et équilibrés. De même, dans le projet de « conception d’un bâtiment scolaire vert », l’enseignant peut attribuer aux apprenants des rôles d’entités intelligentes expertes comme la recherche de matériaux, la simulation de consommation d’énergie ou la présentation visuelle ; les apprenants, en tant que responsables de projets, doivent comprendre la fonction et la logique de production de chaque rôle, utiliser de manière appropriée les informations et les relier entre elles, afin d’améliorer progressivement le plan de conception. Au cours de ce processus, les apprenants intègrent les matériaux cognitifs activés par la réorganisation des probabilités, les expressions cognitives externes générées par les interactions dialogiques, ainsi que les résultats de la régulation réflexive déclenchés par la discrimination des illusions de contenu, pour les tester et les corriger dans de nouveaux contextes de tâches et relations collaboratives, permettant ainsi que les résultats de la construction cognitive individuelle se développent et se consolident dans des interactions sociales, et favorisant ainsi l’amélioration cognitive dans un espace de collaboration ouvert et dynamique.

V. Vers une résonance cognitive : principes de conception pédagogique soutenant la construction profonde de la connaissance par GenAI

Pour favoriser un état de résonance cognitive dans la pratique enseignante, il est nécessaire, en fonction des besoins de construction cognitive profonde des apprenants, de réorganiser les situations problématiques, les processus de dialogue, les tâches d’évaluation et les relations de collaboration par une conception pédagogique efficace, afin de transformer les capacités offertes par les technologies GenAI en supports de construction cognitive profonde que les apprenants peuvent utiliser efficacement. À cette fin, cet article propose quatre principes de conception pédagogique orientés vers la résonance cognitive, dans l’espoir de fournir un cadre de conception théoriquement fondé pour les explorations pratiques ultérieures.

(1) Conception de scénarios orientée vers les associations multi-source

Le design de situation possède des fonctions essentielles : activer les expériences existantes, intégrer les matériaux cognitifs et élargir l’espace des questions. Grâce à ses propriétés de réorganisation probabiliste, les GenAI peuvent générer plusieurs représentations probabilisées autour d’un même thème, fournissant ainsi des matériaux cognitifs hétérogènes et interconnectés pour la création de situations. Par conséquent, dans le processus de création de situations, l’enseignement devrait suivre le principe de l’interconnexion multi-source, et par une organisation diversifiée des matériaux et des relations, guider les apprenants dans la mise en relation des connaissances et la réorganisation de leur structure cognitive.

Autour de ce principe, l’enseignement peut s’organiser en trois aspects. Premièrement, il s’agit de créer des situations de problème issues de plusieurs sources. L’enseignant peut, autour d’un thème central, utiliser l’IA générative pour produire des matériaux présentant différentes perspectives, différentes conditions et différentes manières de représentation, afin que les apprenants ne soient confrontés qu’à une seule conclusion, mais à des matériaux complexes liés entre eux et présentant une tension cognitive, ce qui brise la voie linéaire d’entrée de connaissances et active plus pleinement les schémas existants des apprenants. Deuxièmement, il s’agit de mettre en place des tâches d’apprentissage de réorganisation des relations. Sur la base de la construction de situations, l’enseignant peut concevoir des tâches visant à comparer les similitudes et les différences, à mettre en relation les éléments, etc., afin d’aider les apprenants à découvrir les liens et les différences entre les différents matériaux, et ainsi à construire une structure cognitive plus systématique à partir de ces connexions et choix. Troisièmement, il s’agit de mettre en évidence les relations entre les différents matériaux. Pour éviter que le contenu généré soit fragmenté ou augmente la charge cognitive extérieure des apprenants, l’enseignant peut également guider l’IA générative à présenter clairement les relations logiques entre les différents matériaux, permettant aux apprenants de comprendre plus facilement la structure du réseau de connaissances (Zeng Yi et al., 2026). Ainsi, la situation d’enseignement ne devient plus seulement un contexte statique, mais un point de départ important pour promouvoir les relations et la réorganisation des structures de connaissances.

(2) Conception de dialogues orientée vers l’extériorisation du processus

Le design du dialogue a pour fonction de stimuler l’évolution de la pensée, de clarifier le sens et de soutenir l’expression des connaissances. Grâce aux caractéristiques de l’interaction dialogique, l’IA générative peut répondre continuellement aux expressions des apprenants au cours de plusieurs cycles d’interaction, et soutenir leur développement progressif de la pensée implicite par des questions, des compléments et des retours. Par conséquent, dans la phase de organisation du dialogue, la conception pédagogique devrait suivre les principes de l’externalisation du processus, transformant le dialogue homme-machine en un support interactif qui favorise la construction de l’expression.

Autour de ce principe, l’enseignement peut s’organiser en trois aspects. Premièrement, concevoir des points de départ de dialogue efficaces pour déclencher l’expression. Les enseignants peuvent, par des questions ouvertes ou des tâches d’expression étape par étape (Zhong Baichang et al., 2025), inciter les apprenants à exprimer d’abord leurs points de vue et leurs arguments, afin de réaliser une première externalisation cognitive avant l’interaction avec le GenAI, ce qui permet de conserver l’espace de réflexion active des apprenants et d’éviter de confier entièrement les questions au modèle dès le début. Deuxièmement, concevoir une chaîne de dialogue qui favorise la construction de sens. Sur la base de l’expression initiale, les enseignants peuvent concevoir des séquences de questions progressives, permettant au GenAI de poser des questions, des critiques ou des réfutations aux points de vue des apprenants, ce qui encourage les apprenants à développer pleinement leurs activités mentales pendant la réponse. Si nécessaire, des instructions de personnification peuvent être utilisées pour faire jouer le modèle de différents rôles tels que questionner, critiquer ou réfuter, permettant ainsi une compréhension approfondie à partir de multiples perspectives. Troisièmement, accorder de l’importance à la conserver et à revoir le processus de dialogue. La construction profonde de la cognition ne se produit pas seulement pendant l’interaction, mais se reflète aussi dans une réexamen du processus mental. Ainsi, les enseignants peuvent inciter les apprenants à conserver des instructions, des enregistrements du dialogue homme-machine, des traces de modification des points de vue, etc., afin qu’ils puissent revoir comment leur structure cognitive s’est développée et où des écarts ont eu lieu ; en même temps, ces documents processuels aident les enseignants à identifier plus précisément les erreurs de cognition des apprenants et à fournir un soutien adapté (Wang Shixiao et al., 2025). Ainsi, le dialogue pédagogique ne se limite plus à des questions unidirectionnelles, mais devient une voie importante pour favoriser l’externalisation des connaissances et la construction de l’expression.

(3) Conception des tâches orientées vers l’examen critique

La conception des tâches possède non seulement les fonctions de base nécessaires pour organiser des activités d’apprentissage, mais elle joue également un rôle essentiel en mettant en évidence les conflits cognitifs, en encourageant la réflexion et le suivi, et en guidant l’ajustement des stratégies. En raison des caractéristiques de l’illusion de contenu, les résultats produits par les GenAI présentent une certaine incertitude et une possibilité de débat ; cette limite technique, bien que mettant en évidence les frontières techniques du modèle, offre également aux apprenants des opportunités précieuses pour effectuer une analyse cognitive, une réflexion itérative et une optimisation cognitive. Par conséquent, lors de la construction des tâches, la conception pédagogique devrait suivre des principes d’examen critique, intégrant le processus de vérification du contenu produit dans la tâche d’apprentissage, permettant ainsi aux apprenants de développer leur capacité métacognitive dans une analyse critique.

Autour de ce principe, l’enseignement design peut s’articuler en trois aspects. Premièrement, fournir des objets cognitifs qui peuvent être vérifiés. L’enseignant peut inciter l’IA générative à produire plusieurs versions de réponses, des explications différentes, des processus argumentatifs comportant des failles potentielles, ou des réponses avec des voies de raisonnement distinctes sur le même sujet, afin de stimuler la conscience critique des apprenants et de briser leur acceptation passive et totale du contenu produit par l’intelligence (Reinke et al., 2025). Deuxièmement, organiser de manière appropriée les activités de vérification. Dans la mise en œuvre concrète, l’enseignant peut demander aux apprenants d’analyser individuellement les différentes versions et les outputs ouverts du modèle, et, si nécessaire, utiliser l’IA générative pour présenter progressivement le processus d’explication et fournir des sources de référence, permettant ainsi aux apprenants de vérifier plus en détail (Xia Qi et al., 2025). Troisièmement, orienter la vérification vers la correction. La valeur de la vérification critique réside dans le fait de ramener les apprenants à leur propre processus de pensée. À cette fin, l’enseignant peut demander aux apprenants de noter les raisons pour lesquelles ils acceptent ou rejettent une réponse, de réfléchir aux raisons de leur acceptation ou de leur rejet, et ensuite d’examiner si la structure cognitive initiale doit être ajustée. Ainsi, la conception du task passe de l’acceptation de réponses à la vérification et à la correction des réponses, et les apprenants développent progressivement une conscience de surveillance et des capacités de régulation de leur propre processus de compréhension, dans un processus continu de discrimination et de correction.

(4) Conception des rôles pour la migration collaborative

La conception des rôles possède une fonction importante : rassembler des perspectives diverses, établir des relations de négociation et promouvoir le transfert de connaissances. Grâce à la synergie de plusieurs rôles, GenAI peut simuler des entités intelligentes ayant différentes positions, fonctions et orientations de tâche, offrant ainsi de nouvelles possibilités de conception pour le transfert collaboratif dans l’enseignement (Peng Jiaying et al., 2026). Par conséquent, dans les phases de collaboration entre rôles, la conception pédagogique devrait suivre les principes orientés vers le transfert collaboratif. Par des préconfigurations de rôles, une organisation de négociation et un transfert de contexte, on peut guider les apprenants à réaliser le transfert de connaissances et l’élargissement de leur cognition dans des situations complexes.

Autour de ce principe, l’enseignement design peut s’organiser en trois aspects. Premièrement, il est possible de prévoir un système de rôles structuré. Le enseignant peut, en fonction des besoins de résolution de problèmes, configurer l’IA générale avec des rôles différents tels que des experts du domaine, des apprenants collègues, des parties prenantes et des évaluateurs de projets (Liu Yonggui et al., 2025). En se référant à des théories telles que la zone de développement proximal, il définit à l’avance les limites de connaissances, les responsabilités et les modalités de soutien de chaque rôle, afin que les différents rôles restent relativement stables en termes de profondeur de connaissances et de position de valeur, évitant ainsi un déséquilibre entre un soutien intelligent excessif ou insuffisant. Deuxièmement, il est possible d’organiser des tâches collaboratives en s’appuyant sur les différences de rôles. Le enseignant doit concevoir des tâches de collaboration entre les rôles et entre les rôles eux-mêmes, en utilisant les différences de positions et les complémentarités de connaissances entre les rôles pour créer des défis cognitifs réels, permettant aux apprenants de combiner des informations, de coordonner des positions et de faire des choix dans l’interaction avec différents rôles, afin de tester, itérer et corriger leur structure cognitive existante dans un réseau de problèmes complexes. Troisièmement, il est nécessaire de promouvoir la transférabilité des résultats collaboratifs dans des situations réelles. L’objectif final de l’apprentissage collaboratif est de transférer les résultats cognitifs obtenus dans une tâche spécifique dans des situations de problèmes nouveaux et des tâches réelles. Pour cela, le enseignant peut mettre en place des modèles de collaboration similaires dans différentes situations, et fournir aux apprenants le soutien nécessaire. Dans ce processus, l’intensité du soutien global doit être contrôlée dans la zone de développement proximal des apprenants, afin que les apprenants puissent ressentir à la fois le soutien et les défis venant de personnes plus compétentes (more knowledgeable others) dans l’interaction, sans pour autant perdre l’espace de construction active en raison d’un soutien excessif.

6. Conclusion

S’appuyant sur le contexte de l’ère de la transformation éducative soutenue par la numérisation et l’intelligence, face aux tâches cognitives complexes et incertaines, les apprenants doivent non seulement maîtriser systématiquement les connaissances disciplinaires, mais aussi intégrer des informations de multiples sources dans des situations dynamiques, construire une pensée interdisciplinaire et développer des capacités de transfert avancées. Le modèle d’enseignement traditionnel centré sur l’enseignement des connaissances ne peut plus répondre à ces besoins pédagogiques. Par conséquent, cet article part des quatre besoins fondamentaux de la construction cognitive profonde, introduit le concept de « résonance cognitive », explique les bases possibles de l’intelligence artificielle génératrice dans les domaines de l’alignement structurel, de l’alignement interactif, de l’alignement des objectifs et de l’alignement contextuel, analyse quatre mécanismes de fonctionnement : la recomposition probabiliste, l’interaction dialogique, l’illusion de contenu et les rôles multiples, et propose quatre principes de conception pédagogique pratiques pour répondre de manière systématique à la question centrale de « comment l’intelligence artificielle génératrice soutient la construction cognitive profonde ».

En reprenant les trois questions posées au début, cet article permet de comprendre ce qui suit : premièrement, en ce qui concerne les exigences de construction de la connaissance profonde, elles ne se limitent pas à l’acquisition de connaissances et à une compréhension superficielle, mais se manifestent dans quatre besoins successifs : la relationnalité des connaissances et la réorganisation structurelle, l’externalisation et la construction de l’expression des connaissances, la surveillance réflexive et la régulation de la métacognition, ainsi que la transfert de connaissances et la collaboration sociale. Deuxièmement, en ce qui concerne le mécanisme d’intervention de l’intelligence artificielle génératrice, l’GenAI ne permet naturellement pas la construction de la connaissance profonde, mais nécessite le soutien de conditions telles que l’alignement structurel, l’alignement interactionnel, l’alignement des objectifs et l’alignement contextuel, et s’appuie sur des mécanismes tels que la réorganisation probabiliste, l’interaction dialogique, les illusions de contenu et les rôles multiples pour créer une synergie cognitive avec les apprenants, et pour faire progresser les activités cognitives de la simple participation à la régulation, et de la construction à la transfert. Troisièmement, en ce qui concerne l’enseignement, les enseignants doivent transformer la disponibilité technique de l’intelligence artificielle génératrice en un soutien de construction cognitive accessible aux apprenants. Par une conception systémique des situations, de l’organisation des dialogues, de la construction des tâches et de la coordination des rôles, ils peuvent faire passer l’utilisation de l’GenAI comme outil de génération de réponses vers un soutien constructif pour la croissance de la pensée. En même temps, cet article est principalement une exploration théorique ; les conditions de l’apparition de la synergie cognitive, les limites de son effet et ses formes de manifestation dans différents contextes disciplinaires nécessitent encore des tests empiriques approfondis en combinaison avec des situations d’enseignement spécifiques. Les recherches futures pourraient se concentrer sur différents types de tâches, différents niveaux d’apprentissage et différentes modalités de collaboration homme-machine, afin de approfondir continuellement les études empiriques sur les mécanismes de soutien de la construction de la connaissance profonde par l’GenAI et les voies d’application en enseignement.

En général, l’élément clé qui permet à l’IA générative de soutenir la construction profonde de la cognition n’est pas simplement d’y avoir ou de ne pas y avoir, mais plutôt de l’utiliser dans quelle structure cognitive et mécanisme d’interaction. Comme le dit Mollick (2025), « l’intelligence artificielle génératrice ne endommage pas directement le cerveau ; ce qui est vraiment dangereux, c’est les habitudes de pensée et les qualités cognitives des personnes ». Cela nous indique également que la mission centrale de l’éducation consiste, par des structures de tâches soigneusement conçues et une répartition des tâches entre humain et machine, à transformer l’IA générative d’un outil pouvant entraîner une « dette cognitive » en un partenaire collaboratif qui favorise l’expression, la profondeur et la transfert de la pensée. Ce n’est qu’ainsi que nous pourrons, dans la résonance entre la technologie intelligente et la cognition humaine, réaliser véritablement un apprentissage profond et un développement mental orientés vers l’avenir.

Source : Journal de l’enseignement à distance

Numéro 5 de 2026

Sources et téléchargements